基于神经网络的伺服系统负载转矩扰动辨识器设计

针对伺服控制系统负载转矩扰动的问题,基于永磁同步电机矢量控制基本原理,提出了一种负载转矩扰动辨识算法。并结合神经网络控制理论,采用两层神经网络设计了一种负载转矩扰动辨识器。采用DSP控制器搭建了伺服控制系统,同时给出了软硬件设计方法,最后针对电机转速响应特性进行了仿真实验并与传统控制方法比较。仿真结果表明:基于神经网络的伺服系统转矩扰动辨识方法能够有效地抑制负载扰动对系统的影响,提高了控制系统动态响应速度和跟踪性能。     

基于实测数据的发电机调速系统参数辨识方法

结合当前电力企业广泛开展的发电机组参数实测工作,提出一种参数解耦辨识和整体辨识相结合的发电机调速系统启发式参数辨识方法。首先对能够解耦且具有输入输出量测数据的环节进行单独辨识;然后对其他难以解耦和获得输入输出数据的环节,与已辨识参数环节组成一个整体进行整体辨识;最后基于粒子群算法来寻找最优拟合值,即认为是辨识参数的估计值。通过初步应用证明,该方法能够应用于参数实测和模型验证,有助于提高发电机参数辨识效率。     

基于遗忘因子多新息随机梯度算法PMSM参数辨识

针对传统辨识算法结果不精确以及电机参数变化问题,提出了基于遗忘因子多新息随机梯度辨识算法。结合永磁同步电机系统电压方程,构建离散辨识模型。采用矢量控制方法控制电机,获得辨识模型输入输出数据,对转子电阻和电感参数进行在线辨识。仿真结果表明,该算法能够实现对永磁同步电机参数的辨识。     

AFSA-BP速度辨识器在DTC系统中的应用研究

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解.将人工鱼群算法与BP算法相结合的AFSA+BP算法.实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合.将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用Matlab/Simulink实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果.     

带有前馈和神经网络补偿的机械手系统轨迹跟踪控制

针对机械手系统的轨迹跟踪控制,提出一种带有前馈和神经网络补偿的机械手控制策略,该控制策略由比例微分(proportional-derivative,PD)控制器、前馈补偿器和神经网络补偿器组成。首先通过实验数据辨识出机械手系统的近似线性模型,并基于此线性模型设计PD控制器的参数和前馈补偿器,采用神经网络来补偿近似模型与实际模型的偏差。该方法不需要建立机械手系统复杂的动力学模型,仅需要系统的输入输出数据,既保留PD控制器的优势,又保证了系统的控制性能。最后,在机械手平台上进行物理实验研究,实验结果表明:所提的控制策略实现简单,同时保证了系统的控制精确度。     

改进蚁群算法优化神经网络速度辨识器的研究与应用

对基本蚁群算法进行了改进以提高其全局寻优速度,并用此改进型的蚁群算法来优化神经网络,再将该神经网络应用于直接转矩控制系统当中,实现对转速的观测,最终实现无速度传感器的直接转矩控制。仿真研究表明,改进的蚁群算法具有优良的全局优化性能,且收敛速度较快,应用其优化的神经网络在直接转矩控制系统中能较准确地辨识出系统转速,从而可以替代传统的速度传感器,实现无速度传感器直接转矩控制。     

基于卷积神经网络的非侵入负荷辨识算法EI北大核心CSCD

非侵入式负荷监测因其实施成本低且对用户干扰小,具有广泛的应用前景。负荷辨识方法是非侵入式复合监测的主要技术难点之一。研究了非侵入式负荷监测模式下基于卷积神经网络的非侵入负荷辨识算法。首先利用局部平均分解算法对采集到的混合信号进行负荷分离,并通过智能学习的方法提取独立负荷特征,建立了能够处理二维图像数据的卷积神经网络模型,将大量典型家电的运行电流数据转换成图片的形式,对卷积神经网络模型进行训练,并基于该模型进行负荷特征提取,从而达到辨识的目的。经过实际采集的用电数据进行仿真实验,结果表明,基于卷积神经网络的负荷辨识准确率高、识别速度快,模型具有良好的泛化能力,能够有效的实现负荷辨识。     

基于同步相量轨迹拟合的电力系统次同步/超同步振荡的实时参数辨识EI北大核心CSCD

基于同步相量数据的次同步振荡参数辨识可有效监测次同步振荡的动态过程。该文提出一种基于同步相量轨迹拟合的电力系统次同步/超同步振荡的实时参数辨识方法。通过求解超定非线性的同步相量轨迹拟合方程组,能准确得到频移基波、次同步和超同步分量的频率、幅值和相位。该方法利用各分量对应的同步相量正负频率部分耦合而成的椭圆轨迹特性,仅依据100ms的同步相量数据序列即可进行高实时性的参数辨识。所提算法相比现有算法的优势在于,一方面可辨识与次同步分量耦合的超同步分量参数;另一方面超短数据窗大幅提升了算法实时性,并克服了频谱分析法的频率分辨率受限问题。模拟同步相量测量终端(phasor measurement unit,PMU)数据和实际仿真数据的对比分析结果表明,所提方法可准确获取基波和次同步/超同步振荡参数,并有效实现次同步振荡的动态实时监测。     

基于转动惯量辨识的交流伺服系统自适应扰动观测器设计

在交流伺服系统中,负载转矩及系统转动惯量的变化所引起的扰动将会影响伺服系统的动态性能。本文提出一种基于转动惯量辨识的自适应扰动观测器,以系统运动方程为算法模型,选取包含转动惯量和负载转矩信息且具有较高独立性的待辨识系数作为可调参数,解决辨识过程中因参数耦合的影响而导致算法收敛速度慢以及辨识初期出现波动的问题;同时对负载变化时的辨识结果波动问题进行分析,通过合理选择参数,很好地抑制了该波动。仿真和实验表明:该扰动观测器能够快速准确地实现对转动惯量和扰动转矩的同时辨识,将该扰动观测器与伺服系统矢量控制相结合,可以有效提高系统的动态性能。     

基于PMU实测数据的同步发电机参数在线辨识方法

由于试验条件与发电机运行的实际工况有较大差异,常规的电机试验难以得到与饱和、涡流等密切相关的发电机动态参数的准确值,满足不了离线和在线安全分析及控制的要求。将PMU上传的定子电压和励磁电压量测作为输入信号、定子电流和励磁电流作为输出信号,基于PMU实测数据和同步发电机派克模型,考虑定子绕组暂态过程,实现了同步发电机原始参数的辨识。电力系统实际算例表明,与设计参数相比,基于该参数辨识结果的仿真曲线与实测发电机动态曲线的拟合程度明显要高,所提方法能够有效提高同步发电机的参数辨识精度。     

基于特征融合与深度学习的非侵入式负荷辨识算法

针对使用单一设备特征进行负荷辨识存在的局限性,提出了一种基于特征融合与深度学习的非侵入式负荷辨识算法。通过分析设备的高频采样数据提取了V-I轨迹图像特征与功率数值特征。利用人工神经网络的高级特征提取能力,实现了V-I轨迹图像特征与功率数值特征的融合。最后以复合特征作为设备新的特征训练反向传播(BP)神经网络进行非侵入式负荷辨识。使用PLAID数据集对算法辨识效果进行了验证,并对比了不同分类算法对特征融合的有效性与负荷辨识能力。结果表明,该算法利用不同特征之间的互补性,克服了使用V-I轨迹特征无法反映设备功率大小的缺点,从而提高了V-I轨迹特征的负荷辨识能力,并且在嵌入式设备中的运算速度为毫秒级。     

基于CNN的轴承变工况故障识别系统

为了保证工业机械设备运行安全,避免轴承损伤引起的设备严重损害,实现对机械设备上滚动轴承的变工况故障诊断,设计了基于卷积神经网络的变工况滚动轴承故障诊断系统。该系统使用格拉姆矩阵方法将一维时序数据转换为二维特征图,卷积神经网络训练最大化的学习数据中的特征信息,将训练好的模型部署于LabVIEW编写的上位机中实现实时故障诊断,将所提方法在美国凯斯西储大学轴承数据中心数据集进行实验,实验验证：在美国凯斯西储大学轴承数据集上,所使用的方法变工况下无故障运行数据识别准确率达到99.85%,变工况下综合识别准确率达到91.67%,实验结果表明该方法取得了较为准确的识别效果且具有不错的泛化能力,为变工况下滚动轴承的故障诊断积累了应用经验。     

基于广义回归神经网络的非侵入式负荷识别方法

非侵入式负荷识别可以实现电网和用户的灵活双向互动,对智能电网的发展具有重大意义,而神经网络因其自学习能力及计算复杂度低等优点越来越多地应用在非侵入式负荷识别中。针对现有BP神经网络方法容易陷入局部最优、收敛速度慢的问题,文章提出了一种基于广义回归神经网络(GRNN)的非侵入式负荷识别方法。该方法使用负荷投切过程的功率、谐波、投切时间等暂态特征作为输入,应用Parzen非参数估计方法搭建网络结构,利用模拟退火算法的全局搜索能力对光滑因子进行寻优,从而建立GRNN网络模型进行负荷识别。实验结果表明,相对于BP神经网络,文中方法具有更好的识别精度和训练速度。     

基于神经网络剪枝算法的热工过程模型辨识研究

提出了一种基于神经网络剪枝算法的过程模型辨识方法,该方法可解决模型辨识中确定模型阶次困难的问题。首先提出了一种基于灵敏度的神经网络剪枝算法,并将其应用于热工过程神经网络模型的辨识。仿真结果表明,所提出的基于神经网络剪枝算法的模型辨识方法是有效的。     

基于模糊神经网络的感应电机直接转矩控制

传统的直接转矩控制存在较大的转矩脉动。为了减小转矩脉动,提高控制性能,将模糊神经网络算法引入到直接转矩控制当中,设计了基于模糊神经网络的直接转矩控制系统。所采用的Takagi--Sugeno型模糊神经网络充分融合了模糊逻辑和神经网络两者的优点。在模糊神经网络的训练过程中,采用了一种最小二乘算法和BP算法相结合的混合算法进行学习,提高了学习速度。为了验证该算法有效性和可行性,在MATLAB／Simulink环境下建立了基于模糊神经网络的直接转矩控制系统仿真模型,进行了仿真研究。仿真结果表明采用Takagi—Sugeno型的模糊神经网络算法使直接转矩控制系统的转矩脉动明显变小,控制性能明显改善。     

深度学习与幅值特征相融合的低频采样非侵入式负荷辨识算法

非侵入式负荷监测中虽然高频采样能提高负荷辨识准确率,但对数据采集设备要求高,难以推广,因此,低频采样下负荷辨识方法成为研究热点。以低频采样下负荷投入时的暂态电流波形为特征,采用卷积神经网络算法实现负荷辨识,辨识结果发现CNN对暂态电流波形差异大的负荷辨识准确度高,但是对暂态电流波形相似的负荷识别准确率低,为解决这一问题,在卷积神经网络辨识的基础上,对暂态电流波形相似的负荷,以暂态电流幅值为特征作进一步辨识,以提高辨识准确率。通过使用实测数据进行验证,结果表明所提算法可以很好地克服低频采样下波形特征相似负荷识别准确率低的问题。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。     

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。     

基于单神经元算法的内嵌式永磁同步电机智能驱动控制

基于人工神经网络的内嵌式永磁同步电机(IPMSM)智能驱动控制性能要明显优于传统控制方法,但是存在计算量大和离线训练时间长的问题。针对该问题,提出了一种基于单神经元算法的IPMSM智能驱动控制策略。阐述了永磁同步电机的数学模型及电流转矩控制规律;并基于单神经元的控制原理,推导了驱动控制律,由于采用的是单神经元结构并设置了迭代算法的边界,因此达到了计算量减小和训练较少的效果。最后,搭建了小功率电机驱动试验平台开展了试验研究,并通过与传统PID控制的对比试验,验证了新型控制器的性能。